CN117483996A - 电子烟生产用加热丝自动焊接装置及加热丝自动定位方法 - Google Patents
电子烟生产用加热丝自动焊接装置及加热丝自动定位方法 Download PDFInfo
- Publication number
- CN117483996A CN117483996A CN202311582552.3A CN202311582552A CN117483996A CN 117483996 A CN117483996 A CN 117483996A CN 202311582552 A CN202311582552 A CN 202311582552A CN 117483996 A CN117483996 A CN 117483996A
- Authority
- CN
- China
- Prior art keywords
- heating wire
- wire
- model
- data
- sleeve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 136
- 238000003466 welding Methods 0.000 title claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000003571 electronic cigarette Substances 0.000 title claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 62
- 238000004804 winding Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000003825 pressing Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 43
- 238000000605 extraction Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000513 principal component analysis Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000011217 control strategy Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000000149 penetrating effect Effects 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 9
- 239000000047 product Substances 0.000 description 9
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 6
- 238000007599 discharging Methods 0.000 description 4
- 229910052786 argon Inorganic materials 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000010953 base metal Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/02—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to soldering or welding
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Wire Processing (AREA)
Abstract
本发明公开了电子烟生产用加热丝自动焊接装置及加热丝自动定位方法,属于焊接及机器学习领域,通过采用缠绕机构,能够使得导线均匀的缠绕在加热丝引脚端部,提高了导线和加热丝的焊接质量;通过高级图像处理和深度学习模型,显著提高加热丝定位的精度;模型能够适应不同的加热丝和半圆槽变化,提高***的适应性;精确的定位和反馈控制减少生产过程中的误差,提高产品质量;优化算法和快速模型训练减少生产线调整时间,提高效率;集成***减少对复杂机械调整的依赖,降低维护成本;方案设计允许容易适应其他自动化生产线问题,具有良好的扩展性。
Description
技术领域
本发明属于加热丝焊接及机器学习技术领域,尤其涉及电子烟生产用加热丝自动焊接装置及加热丝自动定位方法。
背景技术
电子烟生产用加热丝焊接是电子烟制造工艺中的关键环节,现有工艺大都采用人工电阻焊的方式,完成对发热丝和导线的焊接连接;
中国发明专利公开号CN116441783A公开了电子烟生产用加热丝自动焊接装置,该装置采用机械臂将加热丝置入定位机构;利用活动压条与转动架将导线缠绕在加热丝上;最后进行压焊完成连接,通过导线的缠绕增加导线与电热丝之间的连接强度,但该装置存在以下缺陷:缠绕方式简单,导线绕线不够整齐完整,进一步的会影响其连接强度。
为解决这些问题,需要研发缠绕准确、焊接质量好的电子烟生产用加热丝自动焊接装置。
当前的定位依赖机械加工和简单夹具,可精度可调性有限,导致加热丝无法精确定位在理想位置上,从而造成后续缠绕过程的偏心偏差。这会直接减弱导线与加热丝的连接强度,影响产品质量。因此,需要使用机器学习训练一个定位模型,可以分析半圆槽图像,提取加热丝的几何特征,建模学习其坐标映射关系,实现高精度、自动化的加热丝定位。
发明内容
本发明实施例提供电子烟生产用加热丝自动焊接装置及加热丝自动定位方法,以解决现有技术中的问题。
本发明实施例采用下述技术方案:电子烟生产用加热丝自动焊接装置,包括加工台、焊接机构以及用于将导线缠绕在加热丝引脚端的缠绕机构;
所述缠绕机构包括:
转动架,所述转动架安装在加工台上,转动架上横向设置有一个转动孔;
转动设置在转动孔内的转盘,所述转盘上开设有偏心孔,所述偏心孔与转盘不同轴;
设于转盘左侧的套筒,所述套筒与转盘固定连接,所述套筒的与偏心孔同轴;
设于套筒上用于对导线右端部压紧的第一压紧机构;
设于加工台上的第一平台,所述第一平台上端设置有用于容纳加热丝引脚端的半圆槽,所述半圆槽与转盘同轴,所述第一平台上设置有用于将导线左端部与加热丝引脚端夹紧在一起的第二压紧机构;
以及用于带动转盘旋转的旋转驱动机构。
通过采用缠绕机构,在套筒带动导线围绕固定后的加热丝引脚端为轴线旋转,在导线的两端部均被固定的情况下,从而能够使得导线均匀的缠绕在加热丝引脚端部,以及提高了导线和加热丝的焊接质量。
进一步的,所述第一压紧机构包括:
弹性滑动设置在套筒内的滑套,所述滑套的顶部设置纵向延伸至其内部的弧形槽,所述弧形槽内设置有一个与其适配的弧形块;
以及设于套筒上方的第一直线驱动源,所述套筒上方外壁处开设有沿其长度方向延伸的滑动槽,所述滑动槽内滑动连接有一个滑块,所述滑动槽的底部开设有贯穿至套筒内部的条形避让槽,所述条形避让槽的长度方向与滑动槽的长度方向一致,所述第一直线驱动源安装在滑块上,所述第一直线驱动源的输出轴贯穿滑块并且穿过避让槽与弧形块固定连接。
在滑套的作用下完成对导线右端部固定的同时也给予了导线在缠绕时其右端部一定的活动空间。所述套筒的左端部处安装有隔板,所述隔板上开设有与偏心孔同轴设置的圆孔;
所述套筒内部同轴设置有一个弹簧,所述弹簧的两端部分别弹性抵触在隔板和滑套上。
在弹簧的弹性作用下,能够使得导线始终处于紧绷的状态,由此保证导线能够均匀的缠绕在加热丝引脚端上。
所述滑套的外壁处设置有沿其轴向延伸的限位块,所述套筒内壁处设置有沿其轴向延伸的限位槽,所述限位块滑动设置在限位槽内。
所述旋转驱动机构包括:
固定套设在转盘上的外齿圈,所述外齿圈位于转动架的左侧;
设于转动架左侧的主齿轮,所述主齿轮与外齿圈啮合连接;
以及固定安装在转盘右侧的旋转驱动源,所述旋转驱动源的输出轴贯穿转动架并且与主齿轮同轴固定连接。
进一步的,所述第二压紧机构包括两个压板,两个压板以半圆槽轴线镜像设置,两个压板的下端均与半圆槽的顶面位于同一高度;
两个压板的外侧均设置有电机架,每一个电机架上均设置有第二直线驱动源,每一个第二直线驱动源的输出轴均固定连接在对应的压板上。
进一步的,两个压板的顶部相向端均设置有一个内弧形板,两个内弧形板的直径均与导线直径相适配。
电子烟生产用加热丝自动焊接装置的加热丝自动定位方法,包括以下步骤:
步骤1:图像处理与特征提取
1.1.图像采集与预处理:
1.11.使用高分辨率工业相机采集加热丝和半圆槽的图像;
1.12.应用高斯混合模型(GMM)对图像进行分割,突出加热丝和半圆槽(41)的关键区域;
1.13.使用小波变换进行图像增强,以提高边缘特征的清晰度;
1.2.特征提取与优化:利用主成分分析(PCA)和线性判别分析(LDA)结合的方法,从增强后的图像中提取关键特,通过这些特征,构建一个特征向量量F,用于后续的坐标回归分析;
步骤2:复杂坐标回归模型
2.1.深度学习模型构建:设计一个深度神经网络(DNN),包括卷积层、批量归一化层、ReLU激活层和全连接层,深度神经网络的目标是从特征向量F中预测加热丝的理想位置坐标;
2.2.坐标回归公式:定义模型输出为ΔX和ΔY,表示加热丝的理想位置与实际位置的偏差;
使用复合函数表示坐标回归:
ΔX=f(W1·h(F)+b1)
ΔY=g(W2·h(F)+b2)
其中,f和g是非线性映射函数,h是特征提取函数,W1,W2,b1,b2是网络参数;
步骤3:模型训练与优化
3.1.损失函数与优化:
使用加权组合损失函数,结合均方误差(MSE)和交叉熵损失,以优化定位精度和稳定性;然后应用Adam优化器结合动量和自适应学习率策略,以加快收敛速度并提高模型稳定性;
步骤4:***集成与协同控制
将模型输出的偏差值用于调整机械手的移动策略,实现闭环控制;结合机器学习模型和传统的PID控制算法,以实现更精确的动态调整。
本发明实施例采用的上述至少一个技术方案能够达到以下有益效果:
1.本发明通过采用缠绕机构,在套筒带动导线围绕固定后的加热丝引脚端为轴线旋转,在导线的两端部均被固定的情况下,从而能够使得导线均匀的缠绕在加热丝引脚端部,以及提高了导线和加热丝的焊接质量。
2.本发明在弹簧的弹性作用下,能够使得导线始终处于紧绷的状态,由此保证导线能够均匀的缠绕在加热丝引脚端上,由于导线在缠绕的过程中导线的右端部若不固定则会导致导线无法以紧绷的状态围绕加热丝引脚端旋转,进而导致导线无法均匀的缠绕在加热丝引脚端上,若导线的右端部固定住无法移动,则会导致导线无法进行缠绕,由此通过滑套与导线固定之后,在弹簧的弹性作用下,不仅保证了导线能够始终处于紧绷的状态,还能够在导线进行缠绕时给予导线右端部一定的收缩空间,以此保证了导线的缠绕均匀度,提高了导线和加热丝之间的连接可靠性。
3.提高定位精度:通过高级图像处理和特征提取技术,如高斯混合模型(GMM)和小波变换,以及主成分分析(PCA)和线性判别分析(LDA)的结合,本发明能够更准确地识别和定位加热丝的位置;这种精确的特征提取直接提高了定位的精度。
4.增强模型的泛化能力:利用深度学习模型,特别是卷积神经网络(CNN)的强大特征学习能力,本发明能够处理各种复杂和变化的生产环境,提高模型对不同加热丝和半圆槽的适应性。
5.减少生产误差和提高产品质量:通过精确的坐标回归模型和反馈控制机制,本发明能够有效减少加热丝定位的偏差,从而减少生产过程中的误差,提高最终产品的质量。
6.提高生产效率:集成的***和协同控制策略,结合机器学习模型和PID控制算法,使得整个生产过程更加自动化和高效;这种自动化程度的提高可以显著提高生产线的吞吐量。
7.增强***的稳定性和可靠性:使用加权组合损失函数和Adam优化器,本发明在模型训练过程中实现了更稳定和可靠的性能;这种稳定性对于长时间运行的生产线至关重要。
8.适应性和灵活性:通过机器学习模型的自学习能力,本发明能够适应生产线上的微小变化和不同的生产条件,提供更大的灵活性。
9.减少长期运营成本:通过减少生产误差和提高产品质量,本发明有助于减少废品率和维修成本,从而降低长期运营成本。本发明的数据收集和分析能力可以为生产过程提供深入的洞察,有助于持续改进和优化生产流程。综上所述,本发明的方法不仅提高了电子烟自动化生产线的效率和质量,还为生产过程提供了更高的灵活性和可靠性,同时降低了长期运营成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的立体结构示意图;
图2为本发明缠绕机构的立体结构示意图;
图3为本发明缠绕机构的立体结构剖视图;
图4为图3中A处的放大图;
图5为本发明缠绕机构中局部结构的***图;
图6为本发明转动架、转盘和旋转驱动机构的局部***图;
图7为本发明第一平台和第二压紧机构的立体结构示意图;
图8为本发明的发热丝自动定位方法流程图。
附图标记
1-加工台;2-缠绕机构;21-转动架;211-转动孔;22-转盘;221-偏心孔;23-套筒;231-滑动槽;232-条形避让槽;233-限位槽;3-第一压紧机构;31-滑套;311-弧形槽;312-限位块;32-弧形块;33-第一直线驱动源;34-滑块;35-隔板;351-圆孔;36-弹簧;4-第一平台;41-半圆槽;5-第二压紧机构;51-压板;511-内弧形板;52-电机架;53-第二直线驱动源;6-旋转驱动机构;61-外齿圈;62-主齿轮;63-旋转驱动源;7-加热丝引脚端;8-导线。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
实施例1
参照图1至图7所示,本发明实施例提供电子烟生产用加热丝自动焊接装置,包括加工台1、焊接机构以及用于将导线8缠绕在加热丝引脚端7的缠绕机构2;所述缠绕机构2包括:转动架21,所述转动架21安装在加工台1上,转动架21上横向设置有一个转动孔211;转动设置在转动孔211内的转盘22,所述转盘22上开设有偏心孔221,所述偏心孔221与转盘22不同轴;设于转盘22左侧的套筒23,所述套筒23与转盘22固定连接,所述套筒23的与偏心孔221同轴;设于套筒23上用于对导线8右端部压紧的第一压紧机构3;设于加工台1上的第一平台4,所述第一平台4上端设置有用于容纳加热丝引脚端7的半圆槽41,所述半圆槽41与转盘22同轴,所述第一平台4上设置有用于将导线8左端部与加热丝引脚端7夹紧在一起的第二压紧机构5;以及用于带动转盘22旋转的旋转驱动机构6。
在本实施例中,所述电子烟生产用加热丝自动焊接装置还包括自动上下料机构用于对加热丝上下料,所述自动上下料机构为机械手(机械手为现有技术,图中未示出),机械手的执行部安装有适配加热丝的夹具,通过机械手移动到指定位置,夹持加热丝并使其引脚端放入半圆槽41内;
加热丝完成焊接后,再由机械手将成品取出,实现加热丝的自动化上下料,方便快捷,所述焊接机构为现有技术,图中也未示出,需要注意的是,为了提高焊接质量,所述焊接机构采用氩弧焊接头为佳,替代原有的阻焊方式,提高焊接质量,通过焊炬产生氩弧,熔化母材,氩气保护熔池,实现高质量焊接;
在加工时,机械手将加热丝的引脚端放置在半圆槽41内,加热丝整体材质采用刚性材质,以避免容易形变影响使用,然后将导线8的一端从偏心孔221内***至套筒23内,并使得导线8从套筒23的左端部伸出,导线8恰好处于加热丝引脚端7的正上方,当导线8与加热丝引脚端7重叠适当位置后,由第二压紧机构5将导线8左端部与加热丝引脚端7夹紧在一起,然后再通过第一压紧机构3将导线8的右端部压紧,从而完成对导线8整体的固定;
然后再通过旋转驱动机构6运行带动转盘22旋转,从而使得套筒23跟随其一起转动,在导线8左端部固定的情况下,导线8围绕加热丝的引脚端为轴线旋转,从而使得导线8的左端部可以缠绕在加热丝的引脚端上,待导线8缠绕固定在加热丝上之后,在通过焊接机构即可完成导线8和加热丝之间的焊接;
最终,第一压紧机构3和第二压紧机构5均复位后,由机械手对加热丝拉伸,即可导线8从套筒23内完全取出,从而完成焊接后的加热丝和导线8的取料;
通过采用缠绕机构2,在套筒23带动导线8围绕固定后的加热丝引脚端7为轴线旋转,在导线8的两端部均被固定的情况下,从而能够使得导线8均匀的缠绕在加热丝引脚端7部,以及提高了导线8和加热丝的焊接质量。
所述第一压紧机构3包括:弹性滑动设置在套筒23内的滑套31,所述滑套31的外壁处设置有沿其轴向延伸的限位块312,所述套筒23内壁处设置有沿其轴向延伸的限位槽233,所述限位块312滑动设置在限位槽233内,所述套筒23的左端部处安装有隔板35,所述隔板35上开设有与偏心孔221同轴设置的圆孔351;所述套筒23内部同轴设置有一个弹簧36,所述弹簧36的两端部分别弹性抵触在隔板35和滑套31上;所述滑套31的顶部设置纵向延伸至其内部的弧形槽311,所述弧形槽311内设置有一个与其适配的弧形块32;
以及设于套筒23上方的第一直线驱动源33,所述套筒23上方外壁处开设有沿其长度方向延伸的滑动槽231,所述滑动槽231内滑动连接有一个滑块34,所述滑动槽231的底部开设有贯穿至套筒23内部的条形避让槽232,通过条形避让槽232和滑块34给予了第一直线驱动源33一定的活动空间;
所述条形避让槽232的长度方向与滑动槽231的长度方向一致,所述第一直线驱动源33安装在滑块34上,所述第一直线驱动源33的输出轴贯穿滑块34并且穿过避让槽与弧形块32固定连接;
在本实施例中,在弹簧36的弹性作用下,滑套31处于套筒23的右端部处,导线8定位时,导线8依序的穿过偏心孔221、滑套31以及圆孔351,从而使得导线8与加热丝引脚端7重叠一定的距离,并且所述导线8的左端部恰好处于加热丝引脚端7的正上方,第一直线驱动源33优选为直线气缸,由此第一直线驱动器运行通过气压的压迫使得弧形块32紧紧的压迫在导线8上,从而完成对导线8右端部能够稳定的与滑套31连接;
待第二压紧机构5将导线8左端部与加热丝引脚端7压紧在一起之后,旋转驱动机构6带动转盘22和套筒23一起旋转,从而使得导线8能够围绕加热丝引脚端7为轴线旋转,由于导线8的左端部被固定,而导线8的右端部跟随滑套31一起能够在套筒23内弹性滑动,所以导线8能够缠绕在加热丝引脚端7上,导线8在缠绕在加热丝上之后,导线8的整体长度会有所缩短;
再此过程中,导线8右端部会带动滑套31在套筒23内向左侧滑动,弹簧36被压缩,通过在滑套31上设置有限位块312,套筒23上设置有与限位块312滑动配合的限位槽233,从而能够使得滑套31滑动设置在套筒23内部,并且避免滑套31和套筒23之间出现相对旋转;
在弹簧36的弹性作用下,能够使得导线8始终处于紧绷的状态,由此保证导线8能够均匀的缠绕在加热丝引脚端7上,由于导线8在缠绕的过程中导线8的右端部若不固定则会导致导线8无法以紧绷的状态围绕加热丝引脚端7旋转,进而导致导线8无法均匀的缠绕在加热丝引脚端7上;
若导线8的右端部固定住无法移动,则会导致导线8无法进行缠绕,由此通过滑套31与导线8固定之后,在弹簧36的弹性作用下,不仅保证了导线8能够始终处于紧绷的状态,还能够在导线8进行缠绕时给予导线8右端部一定的收缩空间,以此保证了导线8的缠绕均匀度,提高了导线8和加热丝之间的连接可靠性。
所述旋转驱动机构6包括:固定套设在转盘22上的外齿圈61,所述外齿圈61位于转动架21的左侧;设于转动架21左侧的主齿轮62,所述主齿轮62与外齿圈61啮合连接;以及固定安装在转盘22右侧的旋转驱动源63,所述旋转驱动源63的输出轴贯穿转动架21并且与主齿轮62同轴固定连接;
在本实施例中,旋转驱动源63运行即可带动主齿轮62旋转,由于主齿轮62和外齿圈61啮合连接,并且外齿圈61和转盘22固定连接,从而使得转盘22在转动架21上旋转。
所述第二压紧机构5包括两个压板51,两个压板51以半圆槽41轴线镜像设置,两个压板51的下端均与半圆槽41的顶面位于同一高度;两个压板51的外侧均设置有电机架52,每一个电机架52上均设置有第二直线驱动源53,每一个第二直线驱动源53的输出轴均固定连接在对应的压板51上;两个压板51的顶部相向端均设置有一个内弧形板511,两个内弧形板511的直径均与导线8直径相适配。
在本实施例中,导线8固定之后,导线8的左端部处于两个压板51之间,如图所示,然后两个第二直线驱动源53同步运行即可使得两个压板51相互靠近,在半圆槽41的作用下实现加热丝引脚端7的定位,然后在两个压板51上的内弧形的挤压下可以实现导线8的定位,而在两个压板51的挤压作用下可以将加热丝的引脚端和导线8固定一起。
电子烟生产用加热丝自动焊接装置的工艺,所述工艺包括以下步骤:
S1:机械手将加热丝引脚端7同轴放置在半圆槽41内,同时工作人员也将导线8依序的穿过偏心孔221、滑套31和圆孔351,使得导线8处于加热丝引脚端7正上方并且位于两个压板51之间;
S2:第一直线驱动源33运行,弧形块32将导线8压紧在滑套31内,第二直线驱动器运行,两个压板51相互靠近将导线8左端部和加热丝引脚端7压紧在一起;
S3:旋转驱动源63运行,转盘22和套筒23一起旋转,导线8的左端部则均匀的缠绕在加热丝引脚端7上;
S4:待焊接机构完成导线8和加热丝连接处的焊接后,所有机构均复位,再由机械手将焊接完成后的导线8和加热丝取下。
实施例2
请参照附图8,实施例1所述的电子烟生产用加热丝自动焊接装置的加热丝自动定位方法,包括以下步骤:
步骤1:图像处理与特征提取
1.1.图像采集与预处理:
1.11.使用高分辨率工业相机采集加热丝和半圆槽的图像;高分辨率工业相机(CCD相机)位于加工台(1)上,安装在加热丝和半圆槽的上方;
1.12.应用高斯混合模型(GMM)对图像进行分割,突出加热丝和半圆槽(41)的关键区域;
1.13.使用小波变换进行图像增强,以提高边缘特征的清晰度;
1.2.特征提取与优化:利用主成分分析(PCA)和线性判别分析(LDA)结合的方法,从增强后的图像中提取关键特,通过这些特征,构建一个特征向量量F,用于后续的坐标回归分析;
步骤2:复杂坐标回归模型
2.1.深度学习模型构建:设计一个深度神经网络(DNN),包括卷积层、批量归一化层、ReLU激活层和全连接层,深度神经网络的目标是从特征向量F中预测加热丝的理想位置坐标;
2.2.坐标回归公式:定义模型输出为ΔX和ΔY,表示加热丝的理想位置与实际位置的偏差;
使用复合函数表示坐标回归:
ΔX=f(W1·h(F)+b1)
ΔY=g(W2·h(F)+b2)
其中,f和g是非线性映射函数,h是特征提取函数,W1,W2,b1,b2是网络参数;
步骤3:模型训练与优化
3.1.损失函数与优化:
使用加权组合损失函数,结合均方误差(MSE)和交叉熵损失,以优化定位精度和稳定性;然后应用Adam优化器结合动量和自适应学习率策略,以加快收敛速度并提高模型稳定性;
步骤4:***集成与协同控制
将模型输出的偏差值用于调整机械手的移动策略,实现闭环控制;结合机器学习模型和传统的PID控制算法,以实现更精确的动态调整。
数据准备和预处理:在步骤2中构建的深度学习模型需要大量的训练数据来学习如何准确预测加热丝的位置。这些数据来自于步骤1中的图像处理和特征提取阶段。因此,确保数据的质量和多样性是至关重要的。
模型结构和参数初始化:在步骤3的训练过程开始之前,需要确定步骤2中构建的深度学习模型的结构(如层数、每层的神经元数量等)和参数(如权重和偏差)的初始值。
损失函数的选择:步骤3中的加权组合损失函数直接影响着步骤2中模型的学习效果。均方误差部分专注于减少位置预测的误差,而交叉熵损失部分有助于改善分类性能(如区分加热丝和半圆槽)。
优化器的应用:Adam优化器在步骤3中用于调整步骤2中模型的参数。它通过计算损失函数的梯度来更新网络参数,从而减少预测误差。
反馈循环:在训练过程中,模型的性能需要不断评估。如果发现模型在预测加热丝位置时表现不佳,可能需要回到步骤2调整网络结构或参数,或者回到步骤1改进特征提取方法。
模型验证和调整:在训练完成后,模型需要在未见过的数据上进行测试,以验证其泛化能力。根据测试结果,可能需要再次调整模型结构或训练策略。
通过这种方式,步骤2和步骤3形成了一个迭代的循环,不断优化和调整,直到达到所需的精度和稳定性为止。这种紧密的衔接确保了整个***能够高效、准确地定位加热丝,从而提高电子烟生产线的自动化水平和产品质量。
模型输出的应用:步骤3中训练的模型输出(加热丝的位置偏差)是步骤4中PID控制器输入的关键部分。这些偏差值直接影响PID控制器的调整策略。
反馈控制机制的建立:在步骤4中,PID控制器根据从步骤3获得的偏差值来调整机械手的移动,以最小化这些偏差。这种反馈机制确保了***能够根据实际情况动态调整,提高精度和响应速度。
***性能的评估与优化:在实际操作中,步骤4的反馈控制效果需要不断评估。如果发现控制效果不理想,可能需要回到步骤3调整模型的训练,例如优化损失函数或调整优化器参数。
协同控制策略的调整:步骤4的PID控制参数(比例、积分、微分增益)可能需要根据步骤3中模型的输出特性进行调整,以确保整个***的协调运作。
闭环控制***的完善:通过不断的测试和调整,步骤3和步骤4形成一个闭环控制***,其中模型的输出直接影响控制策略,而控制效果反过来又提供了对模型性能的反馈。
实时数据的利用:在实际操作中,***可以收集实时数据,这些数据可以用来进一步优化步骤3中的模型训练,使其更加适应实际的生产环境。
通过这种方式,步骤3和步骤4形成了一个互相促进的循环,不断优化和调整,以达到最佳的定位精度和***稳定性。这种紧密的衔接确保了整个***能够高效、准确地定位加热丝,从而提高电子烟生产线的自动化水平和产品质量。
通过高级图像处理和深度学习模型,显著提高加热丝定位的精度;模型能够适应不同的加热丝和半圆槽变化,提高***的适应性;精确的定位和反馈控制减少生产过程中的误差,提高产品质量;优化算法和快速模型训练减少生产线调整时间,提高效率;集成***减少对复杂机械调整的依赖,降低维护成本;方案设计允许容易适应其他自动化生产线问题,具有良好的扩展性。
这个综合解决方案通过将先进的图像处理技术、深度学习、以及反馈控制机制相结合,形成了一个高度协同和逻辑性强的***,有效解决了加热丝定位偏差的问题。
高斯混合模型(GMM)是一种概率模型,它假设所有的数据点都是由有限数量的高斯分布混合而成的。每个高斯分布称为一个“组件”,每个组件对应于数据中的一个群体。
1.12.中,GMM用于图像分割,将加热丝和半圆槽从背景中分离出来;数学模型GMM的数学表达式为:
其中:p(x)是给定数据点x的概率;
K是高斯分布的数量;
φi是第i个高斯分布的混合系数,且满足
是高斯(正态)分布,其中μi是均值,∑i是协方差矩阵;
首先,初始化:随机选择K个高斯分布的参数(均值、协方差)和混合系数;期望步骤(E-step):计算每个数据点属于每个高斯分布的概率;
最大化步骤(M-step):更新高斯分布的参数和混合系数,以最大化数据的似然函数;
送代:重复E-step和M-step,直到收敛(即参数的变化非常小或达到预设的迭代次数);
输入:图像数据,被视为多维数据点;
输出:每个数据点(像素)属于每个高斯分布的概率,用于图像分割;
1.13.中,小波变换则用于增强图像特征,特别是边缘,以便于后续的特征提取和分析;
连续小波变换(CWT)的数学表达式为:
其中,x(t)是信号;
ψ(t)是小波函数;
τ是平移参数;
s是尺度参数;
ψ*(t)是小波函数的复共轭;
包括以下过程:
1.选择小波基:选择合适的小波函数;
2.计算小波系数:对于每个尺度和平移,计算信号与小波基的内积;
3.重构信号:可选步骤,使用小波系数重构原始信号;
输入图像数据,被视为二维信号;输出小波系数,表示图像在不同尺度和位置的特征,这些系数可以用于图像增强,特别是在边缘检测和特征提取方面。这两种方法结合起来,可以有效地从复杂的图像数据中提取出有用的信息,为加热丝的精确定位提供支持。
主成分分析(PCA)是一种统计方法,用于通过正交变换将一组可能相关的变量转换为一组线性不相关的变量,这些变量称为主成分。PCA的目的是减少数据的维度,同时保留最多的变异性。
1.2中,PCA用于从增强后的图像中提取关键特征,并减少数据的维度。LDA进一步处理这些特征,以最大化不同类别(加热丝和半圆槽)之间的区分度;结合PCA和LDA,可以有效地从复杂的图像数据中提取出有用的信息,为后续的坐标回归分析构建一个优化的特征向量F。这种方法提高了特征提取的效率和准确性,为精确的加热丝定位提供了坚实的基础。
数学模型PCA的数学模型基于协方差矩阵或数据的奇异值分解(SVD);设X是一个n×p的数据矩阵,其中n是样本数,p是变量数;PCA寻找一个变换矩阵W,使得Y=XW是新的数据表示,其中Y的列是主成分;
包括以下步骤:
1.标准化数据:对原始数据进行中心化和缩放;
2.计算协方差矩阵:
3.求解特征值和特征向量:对协方差矩阵进行特征分解;
4.选择主成分:根据特征值的大小选择前k个特征向量,形成变换矩阵W;
输入增强后的图像数据,视为多维数据点;输出数据在主成分上的投影,即降维后的数据表示;
线性判别分析(LDA)是一种监督学习的方法,用于找到最佳地区分两个或多个类别的特征子空间。
LDA寻找一个线性组合W使得类间可分性最大化,同时类内可分性最小化;这可以通过最大化以下比例来实现:
其中,SB是类间散布矩阵,SW是类内散布矩阵;
具体过程如下:
1计算类内和类间散布矩阵:基于类别标签计算SW和SB;
2求解广义特征值问题:找到最大化J(W)的W;
3.投影数据:将数据投影到找到的特征向量上;
输入增强后的图像数据,视为多维数据点;输出数据在LDA特征向量上的投影,即区分不同类别的新特征表示。
深度学习模型,特别是深度神经网络(DNN),基于人工神经网络的概念。它们通过模拟人脑处理信息的方式来学习和做出决策。DNN由多个层组成,每层包含多个神经元,这些神经元通过权重和偏差连接。
2.1中,所述DNN表示为一系列函数的复合,每个函数对应于网络中的一个层:
Y=fn(…f2(f1(X,W1,b1),W2,b2)…,Wn,bn)
其中:X是输入数据;Y是输出数据;fi是第i层的激活函数;
Wi和bi分别是第i层的权重和偏差;包括以下步骤:
1.卷积层:使用卷积操作提取图像的局部特征;
2.批量归一化层:标准化每个小批量的输入,以提高训练的稳定性和速;
3.ReLU激活层:应用非线性激活函数ReLU(x)=max(0,x);
4.全连接层:将前一层的输出转换为最终的输出格式;
输入特征向量F,特征向量F从图像处理和特征提取步骤中获得;输出加热丝的理想位置与实际位置的偏差ΔX和ΔY;
2.2中的坐标回归模型的目的是精确地预测加热丝的理想位置与实际位置之间的偏差;通过训练这个模型,可以使机器学习算法学会从图像特征中识别和校正加热丝的位置偏差,从而提高电子烟自动化生产线的精度和效率。
在机器学习中,损失函数是衡量模型预测值与真实值差异的函数。通过最小化这个损失函数,可以优化模型的性能。在某些复杂任务中,结合不同类型的损失函数可以更有效地训练模型。
3.1中加权组合损失函数表示为均方误差(MSE)和交叉熵损失的组合:
其中:Y和分别是真实坐标和预测坐标;
S和分别是真实类别标签和预测类别标签;
α和β是权重参数,用于平衡两种损失;
均方误差(MSE)用于衡量预测坐标与真实坐标之间的平方差异;交叉熵损失用于衡量预测类别标签与真实类别标签之间的差异;调整α和β来平衡两种损失;
所述Adam优化器是一种用于深度学习应用的优化算法,结合了动量方法和RMSprop的优点;它根据梯度的一阶矩估计(均值)和二阶矩估计(未中心化的方差)调整学习率;Adam优化器的更新规则为:
mt=β1mt-1+(1-β1)gt
/>
其中:gt是在时间t的梯度;
mt和vt分别是梯度的一阶和二阶矩估计;
β1和β2是衰减率参数;
θ是模型参数;
η是学习率;
∈是防止除以零的小常数,具体包括以下步骤:
1.计算梯度:在每次迭代中计算损失函数关于模型参数的梯度;
2.更新一阶和二阶矩估计使用梯度更新mt和vt;
3.校正偏差:计算偏差校正后的矩估计和/>
4.更新参数:根据校正后的矩估计和自适应学习率更新模型参数。
在加热丝自动定位的任务中,使用加权组合损失函数可以同时优化定位的精度(通过MSE)和分类的准确性(通过交叉熵);Adam优化器通过其自适应学习率机制加快收敛速度并提高模型的稳定性;这种训练策略使得模型能够更有效地学习从复杂图像中提取和利用特征,从而提高电子烟自动化生产线中加热丝定位的准确性和效率。
反馈控制是一种常用的控制策略,它根据***的输出来调整其输入,以达到期望的***性能。在自动化和机器人控制***中,反馈控制用于确保精确和稳定的操作。
步骤4中,在反馈控制机制中,控制器根据输出偏差调整输入,假设ΔX和ΔY是由深度学习模型预测的加热丝位置偏差,控制器的目标是将这些偏差最小化,控制输入u可以表示为:
其中:e是偏差(ΔX或ΔY);
Kp、Ki、Kd分别是比例、积分、微分增益;
u是控制器输出,用于调整机械手的移动;
PID(比例-积分-微分)控制是一种广泛使用的反馈控制算法,它通过计算偏差的比例、积分和微分来调整控制输入,以实现快速且稳定的***响应;具体步骤如下:
1.比例控制:根据当前偏差调整控制输入;
2.积分控制:累积过去的偏差,用于消除稳态误差;
3.微分控制:预测未来的偏差变化,用于减少过冲和振荡;
在加热丝自动定位***中,结合机器学习模型和PID控制算法可以实现更精确的动态调整;机器学习模型预测加热丝的位置偏差,而PID控制器根据这些偏差调整机械手的移动策略;这种协同控制策略可以提高定位的精度和响应速度,从而提高电子烟自动化生产线的整体性能和效率;通过闭环控制,***能够自动纠正偏差,确保加热丝的精确定位,从而提高产品质量。
需要说明的是,对于前述的各实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可能采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,涉及的动作和模块并不一定是本发明所必须的。
本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或通信连接可以是通过一些接口,装置或单元之间的间接耦合或通信连接,可以是电信或者其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案,而非对发明的保护范围进行限制。显然,所描述的实施例仅仅是本发明部分实施例,而不是全部实施例。基于这些实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明,本领域普通技术人员依然可以在不冲突的情况下,不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整,从而得到不同的、本质未脱离本发明的构思的其他技术方案,这些技术方案也同样属于本发明所要保护的范围。
Claims (10)
1.电子烟生产用加热丝自动焊接装置,包括加工台(1)、焊接机构以及用于将导线缠绕在加热丝引脚端的缠绕机构(2);
其特征在于,所述缠绕机构(2)包括:
转动架(21),所述转动架(21)安装在加工台(1)上,转动架(21)上横向设置有一个转动孔(211);
转动设置在转动孔(211)内的转盘(22),所述转盘(22)上开设有偏心孔(221),所述偏心孔(221)与转盘(22)不同轴;
设于转盘(22)左侧的套筒(23),所述套筒(23)与转盘(22)固定连接,所述套筒(23)的与偏心孔(221)同轴;
设于套筒(23)上用于对导线右端部压紧的第一压紧机构(3);
设于加工台(1)上的第一平台(4),所述第一平台(4)上端设置有用于容纳加热丝引脚端的半圆槽(41),所述半圆槽(41)与转盘(22)同轴,所述第一平台(4)上设置有用于将导线左端部与加热丝引脚端夹紧在一起的第二压紧机构(5);
以及用于带动转盘(22)旋转的旋转驱动机构(6)。
2.根据权利要求1所述的电子烟生产用加热丝自动焊接装置,其特征在于,所述第一压紧机构(3)包括:
弹性滑动设置在套筒(23)内的滑套(31),所述滑套(31)的顶部设置纵向延伸至其内部的弧形槽(311),所述弧形槽(311)内设置有一个与其适配的弧形块(32);
以及设于套筒(23)上方的第一直线驱动源(33),所述套筒(23)上方外壁处开设有沿其长度方向延伸的滑动槽(231),所述滑动槽(231)内滑动连接有一个滑块(34),所述滑动槽(231)的底部开设有贯穿至套筒(23)内部的条形避让槽(232),所述条形避让槽(232)的长度方向与滑动槽(231)的长度方向一致,所述第一直线驱动源(33)安装在滑块(34)上,所述第一直线驱动源(33)的输出轴贯穿滑块(34)并且穿过避让槽与弧形块(32)固定连接;
所述套筒(23)的左端部处安装有隔板(35),所述隔板(35)上开设有与偏心孔(221)同轴设置的圆孔(351);
所述套筒(23)内部同轴设置有一个弹簧(36),所述弹簧(36)的两端部分别弹性抵触在隔板(35)和滑套(31)上。
所述滑套(31)的外壁处设置有沿其轴向延伸的限位块(312),所述套筒(23)内壁处设置有沿其轴向延伸的限位槽(233),所述限位块(312)滑动设置在限位槽(233)内。
3.根据权利要求1所述的电子烟生产用加热丝自动焊接装置,其特征在于,所述旋转驱动机构(6)包括:
固定套设在转盘(22)上的外齿圈(61),所述外齿圈(61)位于转动架(21)的左侧;
设于转动架(21)左侧的主齿轮(62),所述主齿轮(62)与外齿圈(61)啮合连接;
以及固定安装在转盘(22)右侧的旋转驱动源(63),所述旋转驱动源(63)的输出轴贯穿转动架(21)并且与主齿轮(62)同轴固定连接。
4.根据权利要求1所述的电子烟生产用加热丝自动焊接装置,其特征在于,所述第二压紧机构(5)包括两个压板(51),两个压板(51)以半圆槽(41)轴线镜像设置,两个压板(51)的下端均与半圆槽(41)的顶面位于同一高度;
两个压板(51)的外侧均设置有电机架(52),每一个电机架(52)上均设置有第二直线驱动源(53),每一个第二直线驱动源(53)的输出轴均固定连接在对应的压板(51)上;
两个压板(51)的顶部相向端均设置有一个内弧形板(511),两个内弧形板(511)的直径均与导线直径相适配。
5.根据权利要求1-4任意一项所述的电子烟生产用加热丝自动焊接装置的加热丝自动定位方法,其特征在于,包括以下步骤:
步骤1:图像处理与特征提取
1.1.图像采集与预处理:
1.11.使用高分辨率工业相机采集加热丝和半圆槽的图像;
1.12.应用高斯混合模型(GMM)对图像进行分割,突出加热丝和半圆槽(41)的关键区域;
1.13.使用小波变换进行图像增强,以提高边缘特征的清晰度;
1.2.特征提取与优化:利用主成分分析(PCA)和线性判别分析(LDA)结合的方法,从增强后的图像中提取关键特,通过这些特征,构建一个特征向量量F,用于后续的坐标回归分析;
步骤2:复杂坐标回归模型
2.1.深度学习模型构建:设计一个深度神经网络(DNN),包括卷积层、批量归一化层、ReLU激活层和全连接层,深度神经网络的目标是从特征向量F中预测加热丝的理想位置坐标;
2.2.坐标回归公式:定义模型输出为ΔX和ΔY,表示加热丝的理想位置与实际位置的偏差;
使用复合函数表示坐标回归:
ΔX=f(W1·h(F)+b1)
ΔY=g(W2·h(F)+b2)
其中,f和g是非线性映射函数,h是特征提取函数,W1,W2,b1,b2是网络参数;
步骤3:模型训练与优化
3.1.损失函数与优化:
使用加权组合损失函数,结合均方误差(MSE)和交叉熵损失,以优化定位精度和稳定性;然后应用Adam优化器结合动量和自适应学习率策略,以加快收敛速度并提高模型稳定性;
步骤4:***集成与协同控制
将模型输出的偏差值用于调整机械手的移动策略,实现闭环控制;结合机器学习模型和传统的PID控制算法,以实现更精确的动态调整。
6.根据权利要求5所述的电子烟生产用加热丝自动焊接装置的加热丝自动定位方法,其特征在于,
1.12.中,GMM用于图像分割,将加热丝和半圆槽从背景中分离出来;
数学模型GMM的数学表达式为:
其中:p(x)是给定数据点x的概率;
K是高斯分布的数量;
φi是第i个高斯分布的混合系数,且满足
是高斯(正态)分布,其中μi是均值,Σi是协方差矩阵;
首先,初始化:随机选择K个高斯分布的参数(均值、协方差)和混合系数;
期望步骤(E-step):计算每个数据点属于每个高斯分布的概率;
最大化步骤(M-step):更新高斯分布的参数和混合系数,以最大化数据的似然函数;
送代:重复E-step和M-step,直到收敛(即参数的变化非常小或达到预设的迭代次数);
输入:图像数据,被视为多维数据点;
输出:每个数据点(像素)属于每个高斯分布的概率,用于图像分割;
1.13.中,小波变换则用于增强图像特征,特别是边缘,以便于后续的特征提取和分析;
连续小波变换(CWT)的数学表达式为:
其中,x(t)是信号;
ψ(t)是小波函数;
τ是平移参数;
s是尺度参数;
ψ*(t)是小波函数的复共轭;
包括以下过程:
1.选择小波基:选择合适的小波函数;
2.计算小波系数:对于每个尺度和平移,计算信号与小波基的内积;
3.重构信号:可选步骤,使用小波系数重构原始信号;
输入图像数据,被视为二维信号;输出小波系数,表示图像在不同尺度和位置的特征,这些系数可以用于图像增强,特别是在边缘检测和特征提取方面。
7.根据权利要求5所述的电子烟生产用加热丝自动焊接装置的加热丝自动定位方法,其特征在于,
1.2中,PCA用于从增强后的图像中提取关键特征,并减少数据的维度;LDA进一步处理这些特征,以最大化不同类别(加热丝和半圆槽)之间的区分度;
数学模型PCA的数学模型基于协方差矩阵或数据的奇异值分解(SVD);设X是一个n×p的数据矩阵,其中n是样本数,p是变量数;PCA寻找一个变换矩阵W,使得Y=XW是新的数据表示,其中Y的列是主成分;
包括以下步骤:
1.标准化数据:对原始数据进行中心化和缩放;
2.计算协方差矩阵:
3.求解特征值和特征向量:对协方差矩阵进行特征分解;
4.选择主成分:根据特征值的大小选择前k个特征向量,形成变换矩阵W;
输入增强后的图像数据,视为多维数据点;输出数据在主成分上的投影,即降维后的数据表示;
LDA寻找一个线性组合W使得类间可分性最大化,同时类内可分性最小化;这可以通过最大化以下比例来实现:
其中,SB是类间散布矩阵,SW是类内散布矩阵;
具体过程如下:
1计算类内和类间散布矩阵:基于类别标签计算SW和SB;
2求解广义特征值问题:找到最大化J(W)的W;
3.投影数据:将数据投影到找到的特征向量上;
输入增强后的图像数据,视为多维数据点;输出数据在LDA特征向量上的投影,即区分不同类别的新特征表示。
8.根据权利要求5所述的电子烟生产用加热丝自动焊接装置的加热丝自动定位方法,其特征在于,
2.1中,所述DNN表示为一系列函数的复合,每个函数对应于网络中的一个层:
Y=fn(...f2(f1(X,W1,b1),W2,b2)...,Wn,bn)
其中:X是输入数据;Y是输出数据;fi是第i层的激活函数;
Wi和bi分别是第i层的权重和偏差;包括以下步骤:
1.卷积层:使用卷积操作提取图像的局部特征;
2.批量归一化层:标准化每个小批量的输入,以提高训练的稳定性和速;
3.ReLU激活层:应用非线性激活函数ReLU(x)=max(0,x);
4.全连接层:将前一层的输出转换为最终的输出格式;
输入特征向量F,特征向量F从图像处理和特征提取步骤中获得;输出加热丝的理想位置与实际位置的偏差ΔX和ΔY;
2.2中的坐标回归模型的目的是精确地预测加热丝的理想位置与实际位置之间的偏差;通过训练这个模型,可以使机器学习算法学会从图像特征中识别和校正加热丝的位置偏差。
9.根据权利要求5所述的电子烟生产用加热丝自动焊接装置的加热丝自动定位方法,其特征在于,
3.1中加权组合损失函数表示为均方误差(MSE)和交叉熵损失的组合:
其中:Y和分别是真实坐标和预测坐标;
S和分别是真实类别标签和预测类别标签;
α和β是权重参数,用于平衡两种损失;
均方误差(MSE)用于衡量预测坐标与真实坐标之间的平方差异;交叉熵损失用于衡量预测类别标签与真实类别标签之间的差异;调整α和β来平衡两种损失;
所述Adam优化器是一种用于深度学习应用的优化算法,结合了动量方法和RMSprop的优点;它根据梯度的一阶矩估计(均值)和二阶矩估计(未中心化的方差)调整学习率;Adam优化器的更新规则为:
mt=β1mt-1+(1-β1)gt
其中:gt是在时间t的梯度;
mt和vt分别是梯度的一阶和二阶矩估计;
β1和β2是衰减率参数;
θ是模型参数;
η是学习率;
∈是防止除以零的小常数,具体包括以下步骤:
1.计算梯度:在每次迭代中计算损失函数关于模型参数的梯度;
2.更新一阶和二阶矩估计使用梯度更新mt和vt;
3.校正偏差:计算偏差校正后的矩估计和/>
4.更新参数:根据校正后的矩估计和自适应学习率更新模型参数。
10.根据权利要求5所述的电子烟生产用加热丝自动焊接装置的加热丝自动定位方法,其特征在于,
步骤4中,在反馈控制机制中,控制器根据输出偏差调整输入,假设ΔX和ΔY是由深度学习模型预测的加热丝位置偏差,控制器的目标是将这些偏差最小化,控制输入u可以表示为:
其中:e是偏差(ΔX或ΔY);
Kp、Ki、Kd分别是比例、积分、微分增益;
u是控制器输出,用于调整机械手的移动;
PID(比例-积分-微分)控制是一种广泛使用的反馈控制算法,它通过计算偏差的比例、积分和微分来调整控制输入,以实现快速且稳定的***响应;具体步骤如下:
1.比例控制:根据当前偏差调整控制输入;
2.积分控制:累积过去的偏差,用于消除稳态误差;
3.微分控制:预测未来的偏差变化,用于减少过冲和振荡;
在加热丝自动定位***中,结合机器学习模型和PID控制算法可以实现更精确的动态调整;机器学习模型预测加热丝的位置偏差,而PID控制器根据这些偏差调整机械手的移动策略;这种协同控制策略可以提高定位的精度和响应速度,从而提高电子烟自动化生产线的整体性能和效率;通过闭环控制,***能够自动纠正偏差,确保加热丝的精确定位,从而提高产品质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311582552.3A CN117483996B (zh) | 2023-11-24 | 2023-11-24 | 电子烟生产用加热丝自动焊接装置及加热丝自动定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311582552.3A CN117483996B (zh) | 2023-11-24 | 2023-11-24 | 电子烟生产用加热丝自动焊接装置及加热丝自动定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117483996A true CN117483996A (zh) | 2024-02-02 |
CN117483996B CN117483996B (zh) | 2024-07-02 |
Family
ID=89668963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311582552.3A Active CN117483996B (zh) | 2023-11-24 | 2023-11-24 | 电子烟生产用加热丝自动焊接装置及加热丝自动定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117483996B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6957615B1 (en) * | 1999-05-14 | 2005-10-25 | Meca S.P.A. | Method and device to apply cord thread or ribbons onto fabrics in a quilting machine |
CN207074582U (zh) * | 2017-08-03 | 2018-03-06 | 常州贝伦迪线束技术股份有限公司 | 一种线束缠绕机 |
CN208954798U (zh) * | 2018-12-19 | 2019-06-07 | 常熟市吉宏汽车电子科技有限公司 | 一种电磁线圈引出线缠绕工具 |
CN209815361U (zh) * | 2019-03-22 | 2019-12-20 | 定州市五星金属网厂 | 一种镀锌丝打卷机 |
CN112758769A (zh) * | 2021-01-13 | 2021-05-07 | 河南知果信息科技有限公司 | 一种用于纺织加工的纺织纱线缠线收卷机构 |
CN215658571U (zh) * | 2021-06-21 | 2022-01-28 | 深圳市锐博精创科技有限公司 | 一种发热丝的焊接设备 |
CN116338571A (zh) * | 2023-03-06 | 2023-06-27 | 中山大学 | 一种基于自编码器和注意力机制的rssi指纹定位方法 |
CN116441783A (zh) * | 2023-06-06 | 2023-07-18 | 深圳市大道四九科技有限公司 | 一种电子烟生产用加热丝自动焊接装置 |
WO2023159298A1 (en) * | 2022-02-28 | 2023-08-31 | National Research Council Of Canada | Deep learning based prediction of fabrication-process-induced structural variations in nanophotonic devices |
CN116958584A (zh) * | 2023-09-21 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 关键点检测方法、回归模型的训练方法、装置及电子设备 |
-
2023
- 2023-11-24 CN CN202311582552.3A patent/CN117483996B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6957615B1 (en) * | 1999-05-14 | 2005-10-25 | Meca S.P.A. | Method and device to apply cord thread or ribbons onto fabrics in a quilting machine |
CN207074582U (zh) * | 2017-08-03 | 2018-03-06 | 常州贝伦迪线束技术股份有限公司 | 一种线束缠绕机 |
CN208954798U (zh) * | 2018-12-19 | 2019-06-07 | 常熟市吉宏汽车电子科技有限公司 | 一种电磁线圈引出线缠绕工具 |
CN209815361U (zh) * | 2019-03-22 | 2019-12-20 | 定州市五星金属网厂 | 一种镀锌丝打卷机 |
CN112758769A (zh) * | 2021-01-13 | 2021-05-07 | 河南知果信息科技有限公司 | 一种用于纺织加工的纺织纱线缠线收卷机构 |
CN215658571U (zh) * | 2021-06-21 | 2022-01-28 | 深圳市锐博精创科技有限公司 | 一种发热丝的焊接设备 |
WO2023159298A1 (en) * | 2022-02-28 | 2023-08-31 | National Research Council Of Canada | Deep learning based prediction of fabrication-process-induced structural variations in nanophotonic devices |
CN116338571A (zh) * | 2023-03-06 | 2023-06-27 | 中山大学 | 一种基于自编码器和注意力机制的rssi指纹定位方法 |
CN116441783A (zh) * | 2023-06-06 | 2023-07-18 | 深圳市大道四九科技有限公司 | 一种电子烟生产用加热丝自动焊接装置 |
CN116958584A (zh) * | 2023-09-21 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 关键点检测方法、回归模型的训练方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117483996B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580263B (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
CN110303380A (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN110579967B (zh) | 基于同时降维和字典学习的过程监控方法 | |
CN106354262A (zh) | 基于gl优化的神经网络手势识别人机交互方法 | |
US20210263495A1 (en) | Systems, Methods, and Media for Manufacturing Processes | |
CN116342624A (zh) | 一种结合特征融合与注意力机制的脑肿瘤图像分割方法 | |
CN111652836A (zh) | 一种基于聚类算法和神经网络的多尺度目标检测方法 | |
CN117483996B (zh) | 电子烟生产用加热丝自动焊接装置及加热丝自动定位方法 | |
US20210311440A1 (en) | Systems, Methods, and Media for Manufacturing Processes | |
CN112966735B (zh) | 一种基于谱重建的监督多集相关特征融合方法 | |
CN113837046A (zh) | 一种基于迭代特征分布学习的小样本遥感图像场景分类方法 | |
CN112686268A (zh) | 一种基于SVD-ResNet50神经网络的农作物叶片病症识别方法 | |
CN109522914A (zh) | 一种基于图像的模型融合的神经网络结构训练方法 | |
CN109872319B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
CN116755811A (zh) | 一种融合应用的桌面虚拟化方法及*** | |
CN109165586B (zh) | 用于ai芯片的智能图像处理方法 | |
CN109165587B (zh) | 智能图像信息抽取方法 | |
CN116665039A (zh) | 基于两阶段因果干预的小样本目标识别方法 | |
Mototake et al. | Spectral deconvolution through Bayesian LARS-OLS | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN114943862A (zh) | 一种基于结构性解析字典学习的两阶段图像分类方法 | |
Ündey et al. | Monitoring of batch pharmaceutical fermentations: Data synchronization, landmark alignment, and real-time monitoring | |
CN113469262A (zh) | 一种基于Fisher信息矩阵的增量学习方法 | |
CN109344881B (zh) | 一种基于时空连续性的扩展分类器 | |
CN114037860A (zh) | 基于鲁棒最小二回归框架的图像分类和特征选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |